- Birds of a Feather Trust Together: определение того, когда следует доверять классификатору, с помощью адаптивного объединения соседей(PubMed)
Автор: Мяо Сюн, Шэнь Ли, Вэньцзе Фэн, Айлин Дэн, Джихай Чжан, Брайан Хуой.
Аннотация: Как узнать, можно ли доверять прогнозам, сделанным классификатором? Это фундаментальная проблема, которая также имеет огромную практическую применимость, особенно в критически важных областях, таких как медицина и автономное вождение. Фактический подход использования выходных данных softmax классификатора в качестве прокси для достоверности страдает от проблемы чрезмерной уверенности; в то время как самые последние работы сталкиваются с такими проблемами, как дополнительные затраты на переобучение и компромисс между точностью и надежностью. В этой работе мы утверждаем, что надежность прогноза классификатора для выборки в значительной степени связана с двумя факторами: информацией о соседстве выборки и выходными данными классификатора. Чтобы объединить лучшее из обоих миров, мы разрабатываем независимый от модели апостериорный подход NeighborAgg, чтобы использовать две важные данные посредством адаптивной агрегации соседей. Теоретически мы показываем, что NeighborAgg является обобщенной версией сверточной сети с графом с одним переходом, унаследовавшей мощную способность моделирования для захвата различного сходства между образцами в каждом классе. Мы также расширяем наш подход к тесно связанной задаче обнаружения неправильной маркировки и предоставляем теоретическую гарантию охвата для ограничения ложноотрицательных результатов. Эмпирически обширные эксперименты с изображениями и табличными тестами подтверждают нашу теорию и предполагают, что NeighborAgg превосходит другие методы, достигая самых современных показателей надежности.
2.FastGCL: быстрое самоконтролируемое обучение на графиках с помощью контрастного агрегирования соседей (PubMed)
Автор: Юаньшэн Ван, Ванбин Сунь, Кунь Сюй, Зулун Чжу, Лян Чен, Цзибин Чжэн.
Аннотация: графическое контрастное обучение (GCL), как популярный подход к графовому обучению с самоконтролем, в последнее время достигло заметного эффекта. Для достижения превосходной производительности в большинстве существующих методов GCL используется увеличение данных графа для построения соответствующих контрастных пар. Однако существующие методы больше внимания уделяют расширению данных сложного графа, что требует дополнительных затрат времени, и уделяют меньше внимания разработке контрастных схем, специфичных для характеристик кодера. Мы утверждаем, что лучшая контрастная схема должна быть адаптирована к характеристикам графовых нейронных сетей (например, агрегация соседей) и предлагаем простой, но эффективный метод под названием FastGCL. В частности, путем построения взвешенно-агрегированной и неагрегированной информации о окрестности в виде положительных и отрицательных выборок соответственно, FastGCL идентифицирует потенциальную семантическую информацию данных, не нарушая топологию графа и атрибуты узлов, что приводит к более быстрому обучению и скорости сходимости. Были проведены обширные эксперименты по задачам классификации узлов и классификации графов, показавшие, что FastGC
